Welchen Zahlen Sie trauen dürfen: die ROI-Evidenz

Lohnt sich KI überhaupt? Ja – die Evidenz für substanzielle Produktivitätsgewinne ist inzwischen solide. Aber sie ist gestuft: Je härter die Methodik, desto nüchterner die Zahlen. Die bislang stärkste Einzelquelle ist die Studie „Generative AI at Work“ von Brynjolfsson, Li und Raymond, erschienen 2025 im Quarterly Journal of Economics. Untersucht wurde der reale Einsatz eines GenAI-Assistenten bei 5 172 Kundensupport-Agenten eines Softwareunternehmens. Das Ergebnis: durchschnittlich 15 % mehr gelöste Kundenanliegen pro Stunde, mit den größten Gewinnen bei unerfahrenen Mitarbeitenden – und kaum Effekt bei den Top-Experten. Das ist die Art von Zahl, auf die ein CFO bauen kann: kausal identifiziert, in einem realen Unternehmen, über Monate gemessen.

Eine Stufe darunter stehen Befragungen von Frühanwendern. Gartner befragte 2023 insgesamt 822 GenAI-Frühanwender; diese berichteten im Durchschnitt 15,8 % Umsatzsteigerung, 15,2 % Kosteneinsparung und 22,6 % Produktivitätsverbesserung – Selbstauskünfte erfolgreicher Anwender, als Orientierung wertvoll, als Planungsgrundlage mit Abschlag zu versehen. Die Wharton-Studie „Accountable Acceleration“ (Oktober 2025, 800 US-Führungskräfte) zeigt zudem, dass diszipliniertes ROI-Tracking und positive Ergebnisse Hand in Hand gehen: 72 % verfolgen strukturierte ROI-Metriken, rund drei von vier berichten positive Returns.

Vorsicht dagegen bei Vendor-Studien: Google Cloud meldet, 74 % der Unternehmen erzielten bereits im ersten Jahr ROI – befragt wurden jedoch ausschließlich GenAI-Anwender, Abbrecher kommen in der Stichprobe nicht vor. Der von IDC bezifferte 3,7-fache Return je investiertem Dollar stammt aus einer von Microsoft beauftragten Studie auf Basis von Selbstauskünften. Faustregel: Je näher die Quelle am Verkaufsabschluss, desto größer der Abschlag. Für die Planung gilt die Evidenz-Hierarchie: 10–20 % Effizienzgewinn in einem eng umrissenen, sprach- oder dokumentenlastigen Prozess ist durch harte Evidenz gedeckt – rechnen Sie konservativ mit dem unteren Rand.

Die Grundrechnung: ROI und Amortisation

Die Formel selbst ist unspektakulär: Der ROI ergibt sich aus Nutzen minus Kosten, geteilt durch die Kosten; die Amortisationszeit aus der Anfangsinvestition, geteilt durch den monatlichen Nettonutzen. Entscheidend sind drei Disziplinen:

  • Baseline vor dem Start messen: Was kostet der Prozess heute pro Vorgang – Zeit mal Stundensatz, Fehlerkosten, entgangene Aufträge? Ohne Baseline ist jeder spätere „Erfolg“ anfechtbar.
  • Nutzen konservativ ansetzen: unterer Rand der Evidenz (10–15 % Effizienzgewinn statt Vendor-Versprechen) – und nur realisierbare Effekte. Eine eingesparte Stunde ist erst Geld wert, wenn sie in wertschöpfende Arbeit fließt oder Mehrarbeit bzw. Externe ersetzt.
  • Vollkosten ansetzen: alle fünf Kostenblöcke – nicht nur die Lizenz.

Die fünf Kostenblöcke

Die meisten KI-Business-Cases scheitern nicht an der Formel, sondern an vergessenen Kostenblöcken:

  1. Lizenzen & API-Nutzung: Nutzerlizenzen, API-Token, Cloud-Ressourcen – oft unterschätzt, weil die Nutzung mit dem Erfolg wächst (variable Kosten).
  2. Implementierung: MVP-Entwicklung, Integration in ERP/CRM, Prompt- und Workflow-Design – die Integration ist regelmäßig teurer als das Modell.
  3. Daten: Datenbereinigung, Anbindung, Wissensbasis-Pflege – Datenqualität ist die meistunterschätzte Scheiterursache.
  4. Change & Schulung: Training, neue Arbeitsabläufe, Kommunikation – laut BCG hängen 70 % des Erfolgs an Menschen und Prozessen.
  5. Betrieb & Compliance: Monitoring, Qualitätssicherung, Modell-Updates, EU-AI-Act-Dokumentation – nach dem Go-live budgetiert das oft niemand mehr.

Wer nur Block 1 budgetiert, erlebt die „eskalierenden Kosten“, vor denen Gartner warnt. Zur Einordnung der Größenordnung: Gartner schätzte 2024 für eine ambitionierte Geschäftsmodell-Transformation mit GenAI Vorabinvestitionen von 5 bis 20 Millionen USD – ein Anker für Großunternehmen. Der Mittelstandsweg ist der umgekehrte: ein Pilot als 4-Wochen-MVP mit einem kleinen Team, typischerweise im niedrigen fünfstelligen Bereich, mit definiertem Stopp-Kriterium. Erst wenn der Pilot seine Kennzahl liefert, wird skaliert.

Modellrechnung: Angebotsassistent im Vertrieb

Ein fiktives, bewusst konservatives Beispiel aus dem Whitepaper: Drei Innendienst-Mitarbeiter sparen durch KI-gestützte Angebotsentwürfe je 4 Stunden pro Woche. Bei 60 Euro Vollkostensatz und 48 Arbeitswochen ergibt das rund 34 500 Euro Nutzen pro Jahr. Dem stehen im ersten Jahr 24 000 Euro gegenüber – 15 000 Euro MVP-Umsetzung, 4 000 Euro Lizenzen und API, 5 000 Euro Schulung, Betrieb und Dokumentation. Ergebnis: ROI im ersten Jahr rund 44 %, Amortisation nach gut 8 Monaten; ab Jahr 2, mit nur noch etwa 9 000 Euro Betriebskosten, ein Mehrfaches. Der Wert dieser Rechnung liegt nicht in den konkreten Zahlen, sondern im Vorgehen: Ersetzen Sie jede Annahme durch Ihre eigene Baseline.

Rückenwind: der dramatische Preisverfall

Die Kostenseite eines KI-Business-Case hat eine Eigenschaft, die es bei Maschinen oder Software-Suiten nie gab: Sie fällt exponentiell. Der Stanford AI Index 2025 beziffert den Preisverfall für Inferenz auf GPT-3.5-Niveau von rund 20 USD pro Million Token (November 2022) auf 0,07 USD (Oktober 2024) – Faktor 280 in unter zwei Jahren. Epoch AI misst, dass der Preis für ein festes Leistungsniveau je nach Aufgabe um das 9- bis 900-Fache pro Jahr fällt, im Median etwa um das 50-Fache. Dieselbe Dynamik zeigen die Listenpreise: GPT-4 startete im März 2023 mit 30 USD (Input) pro Million Token; im Juli 2026 kostet das kleinste OpenAI-Modell auf mindestens vergleichbarem Niveau 0,20 USD, im Batch-Betrieb nochmals 50 % weniger. Gleichzeitig fließt Rekordkapital in die Technologie: 581,7 Milliarden USD weltweite Unternehmensinvestitionen in KI allein 2025, ein Plus von rund 130 % zum Vorjahr laut Stanford AI Index 2026.

Die Konsequenz für Ihre Rechnung: Was heute unwirtschaftlich ist, kann es in 12 bis 24 Monaten sein. Bewerten Sie verworfene Use Cases quartalsweise neu, starten Sie variabel über API-Kosten – und rechnen Sie knappe Business Cases trotzdem nicht schön.

Förderung nutzen (Stand: Juli 2026)

Kein Business Case sollte von Fördermitteln abhängen – aber es wäre kaufmännisch nachlässig, sie zu ignorieren. Die Mittelstand-Digital Zentren des BMWE bieten kostenfreie, anbieterneutrale Unterstützung – von KI-Sprechstunden bis zu Demonstrationsprojekten, bundesweit bis zu 29 Zentren; das aktuelle Netzwerk läuft Ende 2026 aus, für die Nachfolge ab 2027 wurde im Dezember 2025 ein Förderaufruf veröffentlicht. Parallel fördert die EU die European Digital Innovation Hubs (EDIH): Seit Anfang 2026 läuft die zweite Förderrunde mit 13 deutschen Hubs (bis Ende 2028) und klarem KI-Fokus; das Kernangebot „Test before invest“ erlaubt es, Machbarkeit und Datenlage vor der Investitionsentscheidung kostenfrei zu prüfen.

Bei den direkten Bundeszuschüssen ist die Lage nüchtern: go-digital und Digital Jetzt sind zum 31.12.2024 ausgelaufen; direkte Bundes-Nachfolger gibt es Stand Juli 2026 nicht – prüfen Sie stattdessen die Digitalisierungszuschüsse Ihres Bundeslandes. Auf der Kreditseite steht der KfW ERP-Förderkredit Digitalisierung (511/512) bereit: zinsgünstige Finanzierung von KI-Vorhaben über die Hausbank, ab rund 25 000 Euro. Die empfohlene Reihenfolge: erst das kostenfreie Angebot, dann das Geld – so bleibt der Pilot schnell, und die Förderung wirkt bei den größeren Beträgen.

Die vollständige Rechnung – inklusive Scorecard, allen Kostenblöcken und dem 90-Tage-Plan zum ersten belastbaren Business Case – finden Sie im Whitepaper „Der KI-Business-Case“.